CN106128099A - 驾驶员识别方法和装置 - Google Patents

Abstract

本发明提供一种驾驶员识别方法和装置，其中方法包括：获取当前车辆的驾驶数据，驾驶数据包括：车辆行车数据、驾驶员状态数据以及当前车辆的行驶路段数据；对当前车辆的驾驶数据进行量化处理，得到预设形式的驾驶数据；将预设形式的驾驶数据输入至预先创建的回归分类模型中，根据回归分类模型的输出结果判断当前车辆的驾驶员是否为预设驾驶员，在当前车辆的驾驶员为预设驾驶员时，基于驾驶数据以及预设驾驶员对应的驾驶习惯数据为预设驾驶员提供个性化的服务。

Description

驾驶员识别方法和装置

技术领域

本发明涉及通信技术领域，尤其涉及一种驾驶员识别方法和装置。

背景技术

随着通信、移动互联网技术的普及，以及智能移动终端的高度覆盖，联网车机市场蓬勃发展，出现了许多个性化、定制化的车载服务。以地图导航为例，除了提供道路规划、航线、常用地址管理、实时交通状况等服务，还提供线路收藏、基于用户检索历史的消息推荐等服务。

然而，上述各种服务的提供，依赖于OBD终端等采集的车辆数据或驾驶数据等，基于这些数据进行分析，只能针对车辆提供服务。而驾驶车辆的驾驶员可以有多个，OBD终端等难以分辨当前驾驶车辆的驾驶员身份，因此，难以提供针对驾驶员的个性化服务，例如，针对特定驾驶员的疲劳监控或驾驶提醒等。

发明内容

本发明提供一种驾驶员识别方法和装置，用于解决现有技术中难以提供针对驾驶员的个性化服务的问题。

本发明的第一个方面是提供一种驾驶员识别方法，包括：

获取当前车辆的驾驶数据，所述驾驶数据包括：车辆行车数据、驾驶员状态数据以及所述当前车辆的行驶路段数据；

对所述当前车辆的驾驶数据进行量化处理，得到预设形式的驾驶数据；

将所述预设形式的驾驶数据输入至预先创建的回归分类模型中，根据回归分类模型的输出结果判断当前车辆的驾驶员是否为预设驾驶员；

若当前车辆的驾驶员为预设驾驶员，则基于所述驾驶数据以及所述预设驾驶员对应的驾驶习惯数据为所述预设驾驶员提供服务。

进一步的，所述将所述预设形式的驾驶数据输入至预先创建的回归分类模型中之前，还包括：

获取驾驶当前车辆的各个驾驶员的第一样本驾驶数据以及所述第一样本驾驶数据对应的模型理论输出值；

对所述第一样本驾驶数据进行量化处理，得到预设形式的第一样本驾驶数据；

将所述预设形式的第一样本驾驶数据输出至初始回归分类模型中，根据初始回归分类模型的输出结果以及所述第一样本驾驶数据对应的模型理论输出值对初始回归分类模型的回归系数进行调整，得到所述回归分类模型。

进一步的，所述将所述预设形式的第一样本驾驶数据输出至初始回归分类模型中，根据初始回归分类模型的输出结果以及所述第一样本驾驶数据对应的模型理论输出值对初始回归分类模型的回归系数进行调整，得到所述回归分类模型之后，还包括：

获取驾驶当前车辆的各个驾驶员的检测样本驾驶数据以及所述检测样本驾驶数据对应的模型理论输出值；

对所述检测样本驾驶数据进行量化处理，得到预设形式的检测样本驾驶数据；

将所述预设形式的检测样本驾驶数据输出至所述回归分类模型中，判断所述回归分类模型的输出结果与所述检测样本驾驶数据对应的模型理论输出值是否匹配；

若对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率大于等于预设比率，则不对所述回归分类模型的回归系数进行调整。

进一步的，所述将所述预设形式的第一样本驾驶数据输出至初始回归分类模型中，根据初始回归分类模型的输出结果以及所述第一样本驾驶数据对应的模型理论输出值对初始回归分类模型的回归系数进行调整，得到所述回归分类模型之后，还包括：

若对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率小于预设比率，则获取驾驶当前车辆的各个驾驶员的第二样本驾驶数据以及所述第二样本驾驶数据对应的模型理论输出值，基于所述第二样本驾驶数据以及所述第二样本驾驶数据对应的模型理论输出值对所述回归分类模型的回归系数进行调整，直至对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率大于等于预设比率为止。

进一步的，所述回归分类模型的公式为，

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝w₀HB+w₁ST+w₂SB+w₃RC+w₄SD+w₅RL+w₆FD+w₇AS+w₈FKM；

其中，σ(z)为回归分类模型的输出结果，HB、ST、SB、RC、SD、RL、FD、AS和FKM为预设形式的驾驶数据中的各个参数。

进一步的，所述车辆行车数据包括：加速度、速度、方向盘转角、平均时速和油耗；

驾驶员状态数据包括：安全带佩戴状态和疲劳状态；

行驶路段数据包括：限速数据和红绿灯数据。

本发明中，提供一种驾驶员识别方法，通过获取当前车辆的驾驶数据，驾驶数据包括：车辆行车数据、驾驶员状态数据以及当前车辆的行驶路段数据；对当前车辆的驾驶数据进行量化处理，得到预设形式的驾驶数据；将预设形式的驾驶数据输入至预先创建的回归分类模型中，根据回归分类模型的输出结果判断当前车辆的驾驶员是否为预设驾驶员，在当前车辆的驾驶员为预设驾驶员时，基于驾驶数据以及预设驾驶员对应的驾驶习惯数据为预设驾驶员提供个性化的服务。

本发明的第二个方面是提供一种驾驶员识别装置，包括：

第一获取模块，用于获取当前车辆的驾驶数据，所述驾驶数据包括：车辆行车数据、驾驶员状态数据以及所述当前车辆的行驶路段数据；

第一处理模块，用于对所述当前车辆的驾驶数据进行量化处理，得到预设形式的驾驶数据；

输入模块，用于将所述预设形式的驾驶数据输入至预先创建的回归分类模型中，根据回归分类模型的输出结果判断当前车辆的驾驶员是否为预设驾驶员；

提供模块，用于在当前车辆的驾驶员为预设驾驶员时，基于所述驾驶数据以及所述预设驾驶员对应的驾驶习惯数据为所述预设驾驶员提供服务。

进一步的，所述的装置还包括：

第二获取模块，用于在所述输入模块将所述预设形式的驾驶数据输入至预先创建的回归分类模型中之前，获取驾驶当前车辆的各个驾驶员的第一样本驾驶数据以及所述第一样本驾驶数据对应的模型理论输出值；

第二处理模块，用于对所述第一样本驾驶数据进行量化处理，得到预设形式的第一样本驾驶数据；

调整模块，用于将所述预设形式的第一样本驾驶数据输出至初始回归分类模型中，根据初始回归分类模型的输出结果以及所述第一样本驾驶数据对应的模型理论输出值对初始回归分类模型的回归系数进行调整，得到所述回归分类模型。

进一步的，所述的装置还包括：

第三获取模块，用于在所述调整模块根据初始回归分类模型的输出结果以及所述第一样本驾驶数据对应的模型理论输出值对初始回归分类模型的回归系数进行调整，得到所述回归分类模型之后，获取驾驶当前车辆的各个驾驶员的检测样本驾驶数据以及所述检测样本驾驶数据对应的模型理论输出值；

第三处理模块，用于对所述检测样本驾驶数据进行量化处理，得到预设形式的检测样本驾驶数据；

判断模块，用于将所述预设形式的检测样本驾驶数据输出至所述回归分类模型中，判断所述回归分类模型的输出结果与所述检测样本驾驶数据对应的模型理论输出值是否匹配；

操作模块，用于在对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率大于等于预设比率时，不对所述回归分类模型的回归系数进行调整。

进一步的，所述回归分类模型的公式为，

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝w₀HB+w₁ST+w₂SB+w₃RC+w₄SD+w₅RL+w₆FD+w₇AS+w₈FKM；

其中，σ(z)为回归分类模型的输出结果，HB、ST、SB、RC、SD、RL、FD、AS和FKM为预设形式的驾驶数据中的各个参数。

本发明中，提供一种驾驶员识别装置，通过获取当前车辆的驾驶数据，驾驶数据包括：车辆行车数据、驾驶员状态数据以及当前车辆的行驶路段数据；对当前车辆的驾驶数据进行量化处理，得到预设形式的驾驶数据；将预设形式的驾驶数据输入至预先创建的回归分类模型中，根据回归分类模型的输出结果判断当前车辆的驾驶员是否为预设驾驶员，在当前车辆的驾驶员为预设驾驶员时，基于驾驶数据以及预设驾驶员对应的驾驶习惯数据为预设驾驶员提供个性化的服务。

附图说明

图1为本发明提供的驾驶员识别方法一个实施例的流程图；

图2为本发明提供的驾驶员识别方法又一个实施例的流程图；

图3为本发明提供的驾驶员识别装置一个实施例的结构示意图；

图4为本发明提供的驾驶员识别装置又一个实施例的结构示意图；

图5为本发明提供的驾驶员识别装置又一个实施例的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明提供的驾驶员识别方法一个实施例的流程图，如图1所示，包括：

101、获取当前车辆的驾驶数据，驾驶数据包括：车辆行车数据、驾驶员状态数据以及当前车辆的行驶路段数据。

本发明提供的驾驶员识别方法的执行主体为驾驶员识别装置，驾驶员识别装置具体可以为车载终端或者与车载终端连接的车载服务器等，驾驶员识别装置还可以为安装在车载终端或者车载服务器上的软件等。

其中，获取当前车辆的驾驶数据的方式至少可以有三种：车载智能终端OBD、驾驶员的移动终端上安装的车载应用或者车载操作***。车辆行车数据具体可以为加速度、速度、方向盘转角、平均时速和油耗等；驾驶员状态数据可以包括：安全带佩戴状态和疲劳状态等；行驶路段数据可以包括：限速数据和红绿灯数据等。

进一步的，车辆行车数据还可以包括：车道线信号、方向灯信号、油门信号、离合器信号、挡位信号和陀螺仪数据等。以上这些参数中的任意一个或者相互结合可以体现驾驶员的以下驾驶行为：急刹车、急转弯、安全带佩戴状态、是否飞速抢灯、是否超速行驶、是否压车道行驶、是否疲劳驾驶、平均时速以及百公里油耗等。

102、对当前车辆的驾驶数据进行量化处理，得到预设形式的驾驶数据。

具体的，对当前车辆的驾驶数据进行量化处理，得到的预设形式的驾驶数据具体可以为：百公里急刹车数、百公里急转弯数、安全带佩戴情况、飞速抢灯频率、百公里超速行驶率、百公里压车道线行驶数、百公里疲劳驾驶数、百公里平均时速和百公里油耗等。

103、将预设形式的驾驶数据输入至预先创建的回归分类模型中，根据回归分类模型的输出结果判断当前车辆的驾驶员是否为预设驾驶员。

其中，回归分类模型的公式可以为，

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝w₀HB+w₁ST+w₂SB+w₃RC+w₄SD+w₅RL+w₆FD+w₇AS+w₈FKM；

其中，σ(z)为回归分类模型的输出结果，HB、ST、SB、RC、SD、RL、FD、AS和FKM为预设形式的驾驶数据中的各个参数。

对应的，HB为百公里急刹车数；ST为百公里急转弯数；SB为安全带佩戴情况；RC为飞速抢灯频率；SD为百公里超速行驶率；RL为百公里压车道线行驶数；FD为百公里疲劳驾驶数；AS为百公里平均时速；FKM为百公里油耗。W0、W1、W2、W3、W4、W5、W6、W7、W8依次为百公里急刹车数、百公里急转弯数、安全带佩戴情况、飞速抢灯频率、百公里超速行驶率、百公里压车道线行驶数、百公里疲劳驾驶数、百公里平均时速和百公里油耗的回归系数。

具体的，将预设形式的驾驶数据输入至预先创建的回归分类模型中之后，可以得到一个范围在0-1之间的输出值，当输出值大于等于0.5时，表示当前车辆的驾驶员为车主；当输出值小于0.5时，表示当前车辆的驾驶员为非车主。

104、若当前车辆的驾驶员为预设驾驶员，则基于驾驶数据以及预设驾驶员对应的驾驶习惯数据为预设驾驶员提供服务。

其中，预设驾驶员可以为车主或者非车主。

本实施例中，提供一种驾驶员识别方法，通过获取当前车辆的驾驶数据，驾驶数据包括：车辆行车数据、驾驶员状态数据以及当前车辆的行驶路段数据；对当前车辆的驾驶数据进行量化处理，得到预设形式的驾驶数据；将预设形式的驾驶数据输入至预先创建的回归分类模型中，根据回归分类模型的输出结果判断当前车辆的驾驶员是否为预设驾驶员，在当前车辆的驾驶员为预设驾驶员时，基于驾驶数据以及预设驾驶员对应的驾驶习惯数据为预设驾驶员提供个性化的服务。

图2为本发明提供的驾驶员识别方法有一个实施例的流程图，如图2所示，在图1所示实施例的基础上，步骤103之前，还可以包括：

105、获取驾驶当前车辆的各个驾驶员的第一样本驾驶数据以及第一样本驾驶数据对应的模型理论输出值。

其中，第一样本驾驶数据具体可以为当前时间之前一段时间内驾驶当前车辆各个驾驶员的历史驾驶数据。该段时间的长度可以根据需要进行设定。

106、对第一样本驾驶数据进行量化处理，得到预设形式的第一样本驾驶数据。

其中，此处对第一样本驾驶数据的量化处理可以参考对当前车辆的驾驶数据的处理方式，此处不再进行详细说明。

107、将预设形式的第一样本驾驶数据输出至初始回归分类模型中，根据初始回归分类模型的输出结果以及第一样本驾驶数据对应的模型理论输出值对初始回归分类模型的回归系数进行调整，得到回归分类模型。

进一步的，步骤107之后，还可以包括：获取驾驶当前车辆的各个驾驶员的检测样本驾驶数据以及检测样本驾驶数据对应的模型理论输出值；对检测样本驾驶数据进行量化处理，得到预设形式的检测样本驾驶数据；将预设形式的检测样本驾驶数据输出至回归分类模型中，判断回归分类模型的输出结果与检测样本驾驶数据对应的模型理论输出值是否匹配；若对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率大于等于预设比率，则不对回归分类模型的回归系数进行调整。

另外，需要进行说明的是，若对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率小于预设比率，则获取驾驶当前车辆的各个驾驶员的第二样本驾驶数据以及第二样本驾驶数据对应的模型理论输出值，基于第二样本驾驶数据以及第二样本驾驶数据对应的模型理论输出值对回归分类模型的回归系数进行调整，直至对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率大于等于预设比率为止。

本实施例中，提供一种驾驶员识别方法，通过获取当前车辆的驾驶数据，驾驶数据包括：车辆行车数据、驾驶员状态数据以及当前车辆的行驶路段数据；对当前车辆的驾驶数据进行量化处理，得到预设形式的驾驶数据；获取驾驶当前车辆的各个驾驶员的第一样本驾驶数据以及第一样本驾驶数据对应的模型理论输出值；基于当前车辆的各个驾驶员的第一样本驾驶数据以及第一样本驾驶数据对应的模型理论输出值对初始回归分类模型中的各个回归系数进行调整，得到回归分类模型；将预设形式的驾驶数据输入至预先创建的回归分类模型中，根据回归分类模型的输出结果判断当前车辆的驾驶员是否为预设驾驶员，在当前车辆的驾驶员为预设驾驶员时，基于驾驶数据以及预设驾驶员对应的驾驶习惯数据为预设驾驶员提供个性化的服务。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

图3为本发明提供的驾驶员识别装置一个实施例的结构示意图，如图3所示，包括：

第一获取模块31，用于获取当前车辆的驾驶数据，驾驶数据包括：车辆行车数据、驾驶员状态数据以及当前车辆的行驶路段数据；

第一处理模块32，用于对当前车辆的驾驶数据进行量化处理，得到预设形式的驾驶数据；

输入模块33，用于将预设形式的驾驶数据输入至预先创建的回归分类模型中，根据回归分类模型的输出结果判断当前车辆的驾驶员是否为预设驾驶员；

提供模块34，用于在当前车辆的驾驶员为预设驾驶员时，基于驾驶数据以及预设驾驶员对应的驾驶习惯数据为预设驾驶员提供服务。

本发明提供的驾驶员识别装置具体可以为车载终端或者与车载终端连接的车载服务器等，驾驶员识别装置还可以为安装在车载终端或者车载服务器上的软件等。

其中，获取当前车辆的驾驶数据的方式至少可以有三种：车载智能终端OBD、驾驶员的移动终端上安装的车载应用或者车载操作***。车辆行车数据具体可以为加速度、速度、方向盘转角、平均时速和油耗等；驾驶员状态数据可以包括：安全带佩戴状态和疲劳状态等；行驶路段数据可以包括：限速数据和红绿灯数据等。

进一步的，车辆行车数据还可以包括：车道线信号、方向灯信号、油门信号、离合器信号、挡位信号和陀螺仪数据等。以上这些参数中的任意一个或者相互结合可以体现驾驶员的以下驾驶行为：急刹车、急转弯、安全带佩戴状态、是否飞速抢灯、是否超速行驶、是否压车道行驶、是否疲劳驾驶、平均时速以及百公里油耗等。

具体的，对当前车辆的驾驶数据进行量化处理，得到的预设形式的驾驶数据具体可以为：百公里急刹车数、百公里急转弯数、安全带佩戴情况、飞速抢灯频率、百公里超速行驶率、百公里压车道线行驶数、百公里疲劳驾驶数、百公里平均时速和百公里油耗等。

进一步的，回归分类模型的公式可以为，

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝w₀HB+w₁ST+w₂SB+w₃RC+w₄SD+w₅RL+w₆FD+w₇AS+w₈FKM；

其中，σ(z)为回归分类模型的输出结果，HB、ST、SB、RC、SD、RL、FD、AS和FKM为预设形式的驾驶数据中的各个参数。

对应的，HB为百公里急刹车数；ST为百公里急转弯数；SB为安全带佩戴情况；RC为飞速抢灯频率；SD为百公里超速行驶率；RL为百公里压车道线行驶数；FD为百公里疲劳驾驶数；AS为百公里平均时速；FKM为百公里油耗。W0、W1、W2、W3、W4、W5、W6、W7、W8依次为百公里急刹车数、百公里急转弯数、安全带佩戴情况、飞速抢灯频率、百公里超速行驶率、百公里压车道线行驶数、百公里疲劳驾驶数、百公里平均时速和百公里油耗的回归系数。

具体的，将预设形式的驾驶数据输入至预先创建的回归分类模型中之后，可以得到一个范围在0-1之间的输出值，当输出值大于等于0.5时，表示当前车辆的驾驶员为车主；当输出值小于0.5时，表示当前车辆的驾驶员为非车主。

进一步的，图4为本发明提供的驾驶员识别装置又一个实施例的结构示意图，如图4所示，在图3所示实施例的基础上，所述的驾驶员识别装置还包括：

第二获取模块35，用于在输入模块将预设形式的驾驶数据输入至预先创建的回归分类模型中之前，获取驾驶当前车辆的各个驾驶员的第一样本驾驶数据以及第一样本驾驶数据对应的模型理论输出值；

第二处理模块36，用于对第一样本驾驶数据进行量化处理，得到预设形式的第一样本驾驶数据；

调整模块37，用于将预设形式的第一样本驾驶数据输出至初始回归分类模型中，根据初始回归分类模型的输出结果以及第一样本驾驶数据对应的模型理论输出值对初始回归分类模型的回归系数进行调整，得到回归分类模型。

进一步的，图5为本发明提供的驾驶员识别装置又一个实施例的结构示意图，如图5所示，在图4所示实施例的基础上，所述的驾驶员识别装置还包括：

第三获取模块38，用于在调整模块根据初始回归分类模型的输出结果以及第一样本驾驶数据对应的模型理论输出值对初始回归分类模型的回归系数进行调整，得到回归分类模型之后，获取驾驶当前车辆的各个驾驶员的检测样本驾驶数据以及检测样本驾驶数据对应的模型理论输出值；

第三处理模块39，用于对检测样本驾驶数据进行量化处理，得到预设形式的检测样本驾驶数据；

判断模块40，用于将预设形式的检测样本驾驶数据输出至回归分类模型中，判断回归分类模型的输出结果与检测样本驾驶数据对应的模型理论输出值是否匹配；

操作模块41，用于在对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率大于等于预设比率时，不对回归分类模型的回归系数进行调整。

另外，需要进行说明的是，若对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率小于预设比率，则获取驾驶当前车辆的各个驾驶员的第二样本驾驶数据以及第二样本驾驶数据对应的模型理论输出值，基于第二样本驾驶数据以及第二样本驾驶数据对应的模型理论输出值对回归分类模型的回归系数进行调整，直至对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率大于等于预设比率为止。

本实施例中，提供一种驾驶员识别装置，通过获取当前车辆的驾驶数据，驾驶数据包括：车辆行车数据、驾驶员状态数据以及当前车辆的行驶路段数据；对当前车辆的驾驶数据进行量化处理，得到预设形式的驾驶数据；将预设形式的驾驶数据输入至预先创建的回归分类模型中，根据回归分类模型的输出结果判断当前车辆的驾驶员是否为预设驾驶员，在当前车辆的驾驶员为预设驾驶员时，基于驾驶数据以及预设驾驶员对应的驾驶习惯数据为预设驾驶员提供个性化的服务。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种驾驶员识别方法，其特征在于，包括：

获取当前车辆的驾驶数据，所述驾驶数据包括：车辆行车数据、驾驶员状态数据以及所述当前车辆的行驶路段数据；

对所述当前车辆的驾驶数据进行量化处理，得到预设形式的驾驶数据；

将所述预设形式的驾驶数据输入至预先创建的回归分类模型中，根据回归分类模型的输出结果判断当前车辆的驾驶员是否为预设驾驶员；

若当前车辆的驾驶员为预设驾驶员，则基于所述驾驶数据以及所述预设驾驶员对应的驾驶习惯数据为所述预设驾驶员提供服务。

2.根据权利要求1所述的方法，其特征在于，所述将所述预设形式的驾驶数据输入至预先创建的回归分类模型中之前，还包括：

获取驾驶当前车辆的各个驾驶员的第一样本驾驶数据以及所述第一样本驾驶数据对应的模型理论输出值；

对所述第一样本驾驶数据进行量化处理，得到预设形式的第一样本驾驶数据；

将所述预设形式的第一样本驾驶数据输出至初始回归分类模型中，根据初始回归分类模型的输出结果以及所述第一样本驾驶数据对应的模型理论输出值对初始回归分类模型的回归系数进行调整，得到所述回归分类模型。

3.根据权利要求2所述的方法，其特征在于，所述将所述预设形式的第一样本驾驶数据输出至初始回归分类模型中，根据初始回归分类模型的输出结果以及所述第一样本驾驶数据对应的模型理论输出值对初始回归分类模型的回归系数进行调整，得到所述回归分类模型之后，还包括：

获取驾驶当前车辆的各个驾驶员的检测样本驾驶数据以及所述检测样本驾驶数据对应的模型理论输出值；

对所述检测样本驾驶数据进行量化处理，得到预设形式的检测样本驾驶数据；

将所述预设形式的检测样本驾驶数据输出至所述回归分类模型中，判断所述回归分类模型的输出结果与所述检测样本驾驶数据对应的模型理论输出值是否匹配；

若对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率大于等于预设比率，则不对所述回归分类模型的回归系数进行调整。

4.根据权利要求3所述的方法，其特征在于，所述将所述预设形式的第一样本驾驶数据输出至初始回归分类模型中，根据初始回归分类模型的输出结果以及所述第一样本驾驶数据对应的模型理论输出值对初始回归分类模型的回归系数进行调整，得到所述回归分类模型之后，还包括：

若对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率小于预设比率，则获取驾驶当前车辆的各个驾驶员的第二样本驾驶数据以及所述第二样本驾驶数据对应的模型理论输出值，基于所述第二样本驾驶数据以及所述第二样本驾驶数据对应的模型理论输出值对所述回归分类模型的回归系数进行调整，直至对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率大于等于预设比率为止。

5.根据权利要求1所述的方法，其特征在于，所述回归分类模型的公式为，

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝w₀HB+w₁ST+w₂SB+w₃RC+w₄SD+w₅RL+w₆FD+w₇AS+w₈FKM；

其中，σ(z)为回归分类模型的输出结果，HB、ST、SB、RC、SD、RL、FD、AS和FKM为预设形式的驾驶数据中的各个参数。

6.根据权利要求1所述的方法，其特征在于，所述车辆行车数据包括：加速度、速度、方向盘转角、平均时速和油耗；

驾驶员状态数据包括：安全带佩戴状态和疲劳状态；

行驶路段数据包括：限速数据和红绿灯数据。

7.一种驾驶员识别装置，其特征在于，包括：

第一获取模块，用于获取当前车辆的驾驶数据，所述驾驶数据包括：车辆行车数据、驾驶员状态数据以及所述当前车辆的行驶路段数据；

第一处理模块，用于对所述当前车辆的驾驶数据进行量化处理，得到预设形式的驾驶数据；

输入模块，用于将所述预设形式的驾驶数据输入至预先创建的回归分类模型中，根据回归分类模型的输出结果判断当前车辆的驾驶员是否为预设驾驶员；

提供模块，用于在当前车辆的驾驶员为预设驾驶员时，基于所述驾驶数据以及所述预设驾驶员对应的驾驶习惯数据为所述预设驾驶员提供服务。

8.根据权利要求7所述的装置，其特征在于，还包括：

第二获取模块，用于在所述输入模块将所述预设形式的驾驶数据输入至预先创建的回归分类模型中之前，获取驾驶当前车辆的各个驾驶员的第一样本驾驶数据以及所述第一样本驾驶数据对应的模型理论输出值；

第二处理模块，用于对所述第一样本驾驶数据进行量化处理，得到预设形式的第一样本驾驶数据；

调整模块，用于将所述预设形式的第一样本驾驶数据输出至初始回归分类模型中，根据初始回归分类模型的输出结果以及所述第一样本驾驶数据对应的模型理论输出值对初始回归分类模型的回归系数进行调整，得到所述回归分类模型。

9.根据权利要求8所述的装置，其特征在于，还包括：

第三获取模块，用于在所述调整模块根据初始回归分类模型的输出结果以及所述第一样本驾驶数据对应的模型理论输出值对初始回归分类模型的回归系数进行调整，得到所述回归分类模型之后，获取驾驶当前车辆的各个驾驶员的检测样本驾驶数据以及所述检测样本驾驶数据对应的模型理论输出值；

第三处理模块，用于对所述检测样本驾驶数据进行量化处理，得到预设形式的检测样本驾驶数据；

判断模块，用于将所述预设形式的检测样本驾驶数据输出至所述回归分类模型中，判断所述回归分类模型的输出结果与所述检测样本驾驶数据对应的模型理论输出值是否匹配；

操作模块，用于在对应的输出结果与对应的模型理论输出值匹配的检测样本驾驶数据的比率大于等于预设比率时，不对所述回归分类模型的回归系数进行调整。

10.根据权利要求7所述的装置，其特征在于，所述回归分类模型的公式为，

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝w₀HB+w₁ST+w₂SB+w₃RC+w₄SD+w₅RL+w₆FD+w₇AS+w₈FKM；

其中，σ(z)为回归分类模型的输出结果，HB、ST、SB、RC、SD、RL、FD、AS和FKM为预设形式的驾驶数据中的各个参数。